- •Министерство образования и науки Республики Казахстан
- •1. Учебная программа дисциплины – Syllabus
- •1. 1. Данные о преподавателях:
- •1.1 Данные о дисциплине:
- •Выписка из учебного плана
- •1.5. Краткое описание дисциплины
- •1.6. Перечень и виды заданий и график их выполнения:
- •Виды заданий и сроки их выполнения
- •1.7. Список литературы
- •1.8. Контроль и оценка знаний
- •Распределение рейтинговых баллов по видам контроля
- •Календарный график сдачи всех видов контроля
- •Оценка знаний студентов
- •2. Содержание Активного раздаточного материала
- •2.1 Тематический план курса составляется в виде таблицы, где указываются наименование темы и количество академических часов, предусмотренных для каждой темы. Тематический план курса
- •2.2 Конспект лекционных занятий
- •Глава 1. Основные понятия и определения статистики
- •Тема 2. Показатели описательной статистики. Среднее, дисперсия, стандартное отклонение, эксцесс, асимметрия, интервалы. Компьютерные технологии получения дескриптивной статистики.
- •Глава 2. Выборки.
- •Тема 5. Анализ одной выборки. Анализ однородности выборки. Доверительные интервалы для среднего. Доверительные интервалы для средних выборок. Компьютерные технологии анализа.
- •Тема 6. Анализ двух выборок. Выявление достоверности различий. Параметрические и непараметрические методы анализа выборок. Компьютерные технологии анализа одной выборки.
- •Глава 3. Анализ статданных.
- •Тема 7. Дисперсионный анализ статданных. Однофакторный дисперсионный анализ статистических данных. F- тест для для дисперсий. Компьютерные технологии анализа.
- •Тема 8. Корреляционный анализ статданных. Коэффицент корреляции Пирсона. Коэффициент ранговой корреляции. Ложная и истинная корреляция Компьютерные технологии анализа.
- •Глава 4. Регрессионный анализ.
- •Тема 9. Регрессионный анализ статданных. Простая линейная регрессии. Оценивание параметров линейной регрессиии методом наименьших квадратов, коэффициент детерминации.
- •Тема 10. Оценка существенности параметров линейной регрессии. Оценка качества регрессии f-критерий Фишера, t-статистика. Проверка значимости параметров регрессии. Понятие нелинейной регрессии.
- •Тема 11. Множественная регрессия. Многомерная регрессионая модель. Фиктивные переменные. Кодирование значений качественных переменных. Мультиколлинеарность.
- •Глава 5. Анализ временных рядов.
- •Тема 12. Анализ статданных в виде временных рядов. Временные ряды и их характеристики. Аддитивная и мультипликативная модель. Декомпозиция временного ряда.
- •Тема 13. Анализ и получение тренда. Методы аналитического выравнивания. Метод скользящего среднего. Метод экспоненциального сглаживания. Оценка точности трендовой модели.
- •Тема 14. Модели временных рядов. Понятие об авторегрессионных моделях временных рядов. Коэффицент автокорреляции и автокорреляционная функция.Тест Дарбина-Уотсона.
- •Тема 15. Анализ моделей временных рядов. Решение проблемы автокорреляции. Учет сезонности. Коинтеграция временных рядов.Тест Энгла - Гренжера. Современные тенденции статанализа.
- •2.3 Планы лабораторных занятий
- •Технология построения трендов в Microsoft Excel Порядок выполнения лабораторной работы
- •Форматирование метки линии тренда.
- •Задание на выполнение лабораторной работы:
- •Задание на выполнение лабораторной работы
- •2.4 Планы занятий в рамках самостоятельной работы студентов под руководством преподаватля (срсп)
- •Тема 1. Функции распределения дискретной случайной величины. Биномиальное распределение. Применение компьютерных технологий при статистическом исследовании биномиального распределения. (2 ч.)
- •Тема 3. Функции распределения дискретной случайной величины. Распределение Пуассона. Применение компьютерных технологий при статистическом исследовании распределения Пуассона. (2 ч.)
- •Тема 4. Функции распределения непрерывной случайной величины. Гауссово распределение. Применение компьютерных технологий при статистическом исследовании Гауссово распределения. (2 ч.)
- •Тема 5. Функции распределения непрерывной случайной величины. Распределение хи-квадрат. Применение компьютерных технологий при статистическом исследовании распределения хи-квадрат. (2 ч.)
- •Тема 6. Функции распределения непрерывной случайной величины. Распределение Стьюдента. Применение компьютерных технологий при статистическом исследовании распределения Стьюдента. (2 ч.)
- •Тема 7. Функции распределения непрерывной случайной величины. Распределение Фишера. Применение компьютерных технологий при статистическом исследовании распределения Фишера. (2 ч.)
- •Тема 9. Генерация случайных чисел. Применение компьютерных технологий при генерации случайных чисел. (2 ч.)
- •Тема 10. Статистические гипотезы. Одновыборочный z-тест для средних величин. Применение компьютерных технологий при проведении одновыборочного z-теста для средних величин. (2 ч.)
- •Тема 11. Статистические гипотезы. Двухвыборочный z-тест для средних величин. Применение компьютерных технологий при проведении двухвыборочного z-теста для средних величин. (2 ч.)
- •Тема 12. Статистические гипотезы. Одновыборочный t-тест для средних величин. Применение компьютерных технологий при проведении одновыборочного t-теста для средних величин. (2 ч.)
- •Тема 15. Статистические гипотезы. Парный двухвыборочный t-тест для средних величин. Применение компьютерных технологий при проведении парного двухвыборочного t-теста для средних величин. (2 ч.)
- •2.5 Планы занятий в рамках самостоятельной работы студентов (срс)
- •Тема 1. Регрессионный анализ с применением компьютерных технологий. Интерпретация результатов.
- •Тема 2. Регрессионный анализ. Метод наименьших квадратов (мнк).Интерпретация результатов.
- •Тема 3. Регрессионный анализ. Анализ вариации зависимой переменной.
- •Тема 4. Регрессионный анализ. Условия Гаусса-Маркова по классической нормальной линейной регрессионной модели.
- •Тема 5. Регрессионный анализ. Стандартная ошибка регрессии.
- •Тема 6. Регрессионный анализ. Стандартные ошибки коэффициентов регрессии.
- •Тема 7. Регрессионный анализ. Проверка гипотез по коэффициентам регрессии.
- •Тема 8. Регрессионный анализ. Нелинейные регрессии.
- •Тема 9. Регрессионный анализ. Прогнозирование в регрессионных моделях.
- •Тема 10. Временные ряды. Анализ временных рядов с применением компьютерных технологий. Получение тренда. Интерпретация результатов.
- •Тема 11. Временные ряды. Анализ временных рядов с применением компьютерных технологий. Исследование автокорреляции данных временного ряда.
- •Тема 12. Временные ряды. Анализ временных рядов с применением компьютерных технологий. Тест Дарбина-Уотсона.
- •Тема 13. Временные ряды. Анализ временных рядов с применением компьютерных технологий. Тест на коинтеграцию на основе критерия Энгла-Грэнжера.
- •Тема 14. Статистический программный инструментарий. Обзор статистических функций ms Excel.
- •Тема 15. Статистический программный инструментарий. Обзор возможностей пакета "Анализа данных" ms Excel.
- •2.6. Тестовые задания для самоконтроля с указанием ключей правильных ответов
- •24. Имеют ли в общем случае смысловую нагрузку свободный член уравнения линейной регрессии?
- •25. Что такое корреляционные поля?
- •26. Что такое авторегрессионая модель временного ряда?
- •27. Что означает регрессионная модель с лагированными переменными?
- •28. Какой показатель определяется отношением дисперсии результативного признака регрессии к общей дисперсии результативного признака?
- •29. Какой критерий применяется для проверки гипотезы - средние двух выборок относятся к одной и той же совокупности?
- •30. Какой метод применяется для проверки гипотезы - относится та или иной вариант к данной статистической совокупности?
- •Перечень экзаменационных вопросов по пройденному курсу
- •Глоссарий
- •Выходные сведения
Тема 15. Анализ моделей временных рядов. Решение проблемы автокорреляции. Учет сезонности. Коинтеграция временных рядов.Тест Энгла - Гренжера. Современные тенденции статанализа.
Решение проблемы автокорреляции
Если во временном ряду обнаружена автокорреляция данных, ее необходимо устранить или каким-либо образом учесть, прежде чем полученное уравнение регрессии можно будет использовать для прогноза. В этом случае начинать следует с оценки самого уравнения регрессии, чтобы получить ответы на следующие вопросы: правильно ли выбрана форма уравнения, не пропущена ли важная независимая переменная, имеются ли повторяющиеся явления, которые накладывают свой отпечаток на значения данных?
Есть несколько методов устранения автокорреляции. Один из них заключается в добавлении в уравнение регрессии дополнительной переменной, которая влияет на значение зависимой переменной в разные периоды времени.
Для того чтобы устранить серийную корреляцию сильно автокоррелирующих данных, можно также использовать в расчетах не сами значения ряда, а их разности. Иначе говоря, вместо определения уравнения регрессии относительно исходных переменных , это уравнение отыскивается для разностейиРазности следует использовать, когда значение статистики DW, вычисленное для исходных переменных, близко к 0.
Использование регрессионных моделей, построенных для обобщенных разностей в виде ,, также позволяет устранить серийную корреляцию. Однако если серийная корреляция очень велика, целесообразно использовать обычные разности.
Для устранения влияния автокорреляции также может использоваться модель авторегрессии. Модель авторегрессии первого порядка записывается в виде уравнения:
где предполагается, что ошибки , удовлетворяют обычным предположениям регрессионной модели. Вычисляя параметры этой модели методом наименьших квадратов, получаем уравнение для прогнозирования:. В модели авторегрессии прогнозируемые значения вычисляются как функция предыдущих значений временного ряда.
При другом методе устранения этого влияния используется логарифмирование и нахождение разностей. Исходные значения переменных логарифмируются, и используются разности прологарифмированных значений.
Регрессионные методы учета сезонности
Для учета сезонности в уравнение регрессии вводятся фиктивные переменные. Рассмотрим сезонную модель с квартальными данными и трендом:
, (*)
где
- прогнозируемая переменная;
t - время;- фиктивные переменные, обозначающие соответствующий квартал и равные 1 или 0;
- ошибки, независимые между собой, имеющие нормальное распределение с нулевым математическим ожиданием и одинаковыми дисперсиями;
- коэффициенты, которые требуется оценить.
Следует обратить внимание на то, что четыре вида качественных переменных (кварталы) описаны только тремя фиктивными переменными. Еще один квартал (в данном случае первый) учитывается в свободном члене уравнения . Для данных первого квартала получается= 0 и математическое ожидание прогнозируемой величины равно. Для данных второго кварталаи математическое ожидание прогнозируемой величины равно+
В уравнении (*) разные кварталы имеют разные свободные члены. Коэффициенты регрессии для фиктивных переменных показывают изменение свободного члена по сравнению со свободным членом для первого квартала . В том случае, если в данных имеется сезонная зависимость, но нет временного тренда, то в уравнении (*), будет равно 0.
Коинтеграция временных рядов. Под коинтеграцией понимается причинно-следственная зависимость в уровнях двух (или более) временных рядов, которая выражается в совпадении или противоположной направленности их тенденций и случайной колеблемости.
Между двумя временными рядами существует коинтеграция в случае, если линейная комбинация этих временных рядов есть стационарный временной ряд (т. е. ряд, содержащий только случайную компоненту и имеющий постоянную дисперсию на длительном промежутке времени).
Рассмотрим уравнения регрессии вида:. Остатки, в этом уравнении представляют собой линейную комбинацию рядов и :
(**).
Одним из методов тестирования гипотезы о коинтеграции временных рядов , и является критерий Энгла - Грэнжера. Алгоритм применения этого критерия следующий:
1. Выдвигается ноль-гипотеза об отсутствии коинтеграции между рядами , и .
2. Рассчитывают параметры уравнения регрессии вида:
(***)
где - первые разности остатков, полученных из соотношения (**).
3. Определяют фактическое значение t-критерия для коэффициента регрессии в уравнении (***) .
4. Сравнивают полученное значение с критическим значением статистики .
Критические значения , рассчитанные Энглом и Грэнжером для уровня значимости 1, 5 и 10%, составляют 2,5899; 1,9439; 1.6177. Если фактическое значение t больше критического значения для заданного уровня значимости, ноль-гипотезу об отсутствии коинтеграции исследуемых временных рядов отклоняют и с вероятностью (1 -) принимают альтернативную гипотезу о том, что между рядами и xt есть коинтеграция. В противном случае гипотеза об отсутствии коинтеграции между исследуемыми рядами не отклоняется.
Современные тенденции статанализа
В последнее время наблюдается стремительный рост использования эконометрического программного обеспечения. В качестве примеров статистических систем можно указать SAS, SPSS, STATA, SYSTAT, STATISTICA, EVIEWS и др. Опыт практических исследований показывает, что для работы часто бывает недостаточно одного пакета. Поэтому используется комплекс статистических программных продуктов. В учебном процессе и практической деятельности эти программные продукты не конкурируют, а дополняют друг друга. К современным тенденциям развития статистических методов следует отметить совершенствование статистической методологии с учетом современных достижений науки, широкое использование статистических методов в различных областях человеческой деятельности.
Литература:1осн. [390-396], 2осн. [244-312], 3осн. [278-289], 4осн. [141-163], 4доп. [163-168].
Контрольные вопросы:
1. Какова идея методов устранения автокорреляции во временных рядах?
2. Какова техника использования операции логарифмирования при устранения автокорреляции во временных рядах?
3. Какова идея регрессионного метода учета сезонности?
4. Что означает термин коинтеграция временных рядов?
5. Какова основная идея теста Энгла-Грэнжера?